知识管理

如何快速构建个人 AI 知识库？

2024 年 8 月 27 日

▼最近直播超级多，预约保你有收获

今晚直播：《从分布式预训练到微调技术落地实践》

—1—

如何搭建个人 AI 知识库？

分享我的整体思考过程。我认为具体方法因人而异，因为每个人的需求和情况都各不相同——唯有思路是可以互相借鉴的。

以下是出发点及其解决策略：

首先，面对信息过载，我们无法逐一细致地吸收。因此，需要人工智能的辅助，通过总结和提炼，帮助我们快速、大致地把握信息。

其次，人脑不适合用于记忆，而更适合进行创造性思考。因此，我们需要一个“第二大脑”来存储信息，并依赖AI进行基于语义的检索（除了关键词检索，语义检索能使得工具更加完善）。

再次，记笔记是对信息的一种预处理。记笔记的目的是为了支持未来的自己。因此，我们需要对信息进行层层筛选，最终用自己的话记录下那些值得记下的内容，而不是简单复制他人的表述。

基于以上三点，我设计了以下两套子系统，正如我在视频中展示的：

1. 外部信息处理系统。以 AnythingLLM 和大模型为核心。

我将日常遇到的、认为有价值的信息输入到 AnythingLLM 中，利用大模型这把“解剖刀”对信息进行“剖析”，以便我能够理解它们的“整体结构”以及哪些“部分”具有价值。

我会将这些有价值的内容手动整理到笔记中——这一步骤必须亲自完成，因为没有经过自己思考和亲手输入的内容，是不会真正成为自己的知识的。

当然，对于特定类型的信息，我还会使用其他工具。例如，对于AI相关的论文，我会使用txyz.ai来处理，这个网站/工具非常专业，非常适合处理这类文献。

2. 笔记生成系统。以 Obsidian 和各种插件为核心。

正如视频中所述，我根据PAFP的逻辑创建了四个文件夹，并在其中建立子文件夹来存放相应的笔记。

Obsidian 在处理笔记之间的逻辑关系方面做得非常出色。文件夹构成了一种关联逻辑。每条笔记都可以添加标签，这样就可以跨越文件夹建立另一种关联逻辑。更强大的是，一条笔记可以链接到另一条笔记，形成知识图谱的关联逻辑。通过这三种关联，我们可以将笔记系统性地组织起来，形成一张网络，而不是零散的点。

在这张网络的基础上，无论是查询还是搜索，效率都会大大提高。

我就是按照这样的思路和方法，不断地将外部信息转化为自己的知识。这种逐步积累和内化的过程，令人感到非常愉悦。

—2—

Ollama和 LM Studio 有哪些区别？

Ollama 和LM Studio 都是本地运行开源大型模型的工具。它们之间最明显的区别在于，Ollama 通过命令行操作，而 LM Studio 则提供图形化界面。因此，对于初学者来说，LM Studio 可能更加友好和易于掌握。

仅仅让大模型在后台运行是不够的，还需要一个前端交互界面。

在这方面，LM Studio 表现突出。正如我之前提到的，它的集成度非常高，从模型的搜索和下载，到加载和对话，所有功能都集中在一个包内。

相比之下，Ollama 在终端中进行对话，界面看起来相对简陋。因此，出现了像Open WebUI 这样的项目，为 Ollama 提供了一个更加现代化的界面，类似于ChatGPT 的风格。此外，Open WebUI 还内置了 RAG，可以用来构建知识库，并且具备账号管理功能，便于多人共用。

以上所述的都是 Ollama 和L M Studio 的【客户端】模式。这两种工具还提供了【服务器】模式。简单来说，这种模式就是将它们作为大模型在本地运行的工具或容器，然后开放一个通道或端口，供其他应用程序使用。这就像发电机一样，接出一根电线，为各种电器供电。

—3—

如何提升 AnythingLLM 精确度？

要优化 RAG（Retrieval-Augmented Generation）的原理和流程，无论是自己手动实现还是使用现有工具，都需要先理解其工作原理。RAG 的过程可以概括为以下几个步骤：

RAG = 文档预处理 + 查询理解 + 文档检索 + LLM 生成。

如果你选择使用 AnythingLLM 这类现成的工具，以下是一些设置时需要特别注意的要点：

首先，要考虑嵌入模型的语言兼容性。例如，如果你的资料中包含中英文，可以选择 Cohere Embed v3 - Multilingual，因为它支持多种语言。

其次，要注意嵌入模型的上下文窗口大小。例如，Cohere Embed v3 - Multilingual的上下文窗口为512个tokens。在使用 Ollama或LM Studio 时，需要填写最大嵌入块长度（Max embedding chunk length），不要随意填写。

第三，文本切块的大小（Chunk Size）和重叠部分（Overlap）的设置。

在设置切块大小时，需要考虑两个因素：一是不要超过嵌入模型的上限；二是根据资料的类型来调整。如果资料主要由短句或片段组成，如单条简短笔记，较小的切块尺寸可以避免一个块中包含过多不相关内容，减少对大模型理解的干扰。相反，如果资料是完整的文章，具有较强的连贯逻辑，则应尽量增大切块尺寸，以避免将一个连贯的段落切割得支离破碎，影响上下文的连贯性。

为了帮助同学们彻底掌握大模型 RAG、微调、Agent 等应用的深层原理，在企业中的应用实践，今天我会开场直播和同学们深度剖析，请同学们点击以下预约按钮免费预约。

—4—

AI大模型开发技能直播课程

大模型的技术体系非常复杂，即使有了知识图谱和学习路线后，快速掌握并不容易，我们打造了大模型应用技术的系列直播课程，包括：通用大模型技术架构原理、大模型 Agent 应用开发、企业私有大模型开发、向量数据库、大模型应用治理、大模型应用行业落地案例等6项核心技能，帮助同学们快速掌握 AI 大模型的技能。

?即将开播

立即扫码，即可免费预约

进入直播，大佬直播在线答疑！